Application of time series model and deep learning method in measuring the impact of COVID-19 on agriculture in Hubei, China
Notice bibliographique
Résumé
Abstract Taking the agricultural situation of Hubei Province as the research object, this paper uses the time series ARIMA model, ARMA model and deep learning LSTM neural network model to explore the impact of COVID-19 on the agriculture of Hubei Province. Three main indicators are screened out to measure the development of agricultural economy, that is, gross regional product, gross output value of agriculture, forestry, animal husbandry and fishery, agricultural product production price index. Based on the quarterly data of indicators from 2001 to 2019 from the National Bureau of Statistics, three indicators in Hubei Province in the first quarter and the second quarter of 2020 are predicted by using the deep learning-based time series ARIMA model, ARMA model and LSTM neural network model. By comparing the predicted data with the real data, the impact of COVID-19 is measured on the agricultural situation of Hubei Province. It was found that COVID-19 had a great impact on the agricultural situation of Hubei Province in both of the first and second quarters of 2020, with the impact in the first quarter being greater than that in the second quarter. At the same time, the prediction accuracy of the two methods is compared to find that the time series model is more effective and reliable in predicting the agricultural product price index. The LSTM neural network model with a long and short term memory has a good prediction effect on the regional gross product and the total output value of agriculture, forestry, animal husbandry and fishery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».